論文の概要: PDDL-ART: Autonomous Symbolic Abstraction From Demonstration For Long-Horizon Robotic Manipulation Using Vision-Language Models
- arxiv url: http://arxiv.org/abs/2608.17146v1
- Date: Mon, 17 Aug 2026 21:29:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.13429
- Title: PDDL-ART: Autonomous Symbolic Abstraction From Demonstration For Long-Horizon Robotic Manipulation Using Vision-Language Models
- Title（参考訳）: PDDL-ART:視覚言語モデルを用いた長距離ロボットマニピュレーションのためのデモからの自律的シンボル抽象化
- Abstract要約: PDDL-ARTと呼ばれるビジョンランゲージモデルに基づく手法を提案する。
1つの専門家によるデモンストレーションから、タスク固有のPDDLドメインと問題記述を生成する。
PDDL-ARTの平均成功率は93.3%であり、ベースラインのVLMベースのプランナーは78.3%である。
- 参考スコア（独自算出の注目度）: 14.072904523937536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Symbolic planning with PDDL offers a principled framework for long-horizon robot manipulation, but constructing accurate PDDL domain and problem descriptions remains a significant bottleneck, typically requiring substantial domain expertise. We present a Vision-Language Model (VLM)-based approach called PDDL-ART, a framework that autonomously generates task-specific PDDL domain and problem descriptions from a single expert demonstration, a natural language task description, and a library of available high-level action names. PDDL-ART does not require any domain templates, action signatures, or fine-tuning. To ensure the generated descriptions are not only syntactically valid but semantically aligned with the demonstrated task, PDDL-ART introduces a multi-stage correction pipeline operating at syntactic, semantic, and execution levels. A key component of execution-guided correction is symbolic predicate grounding. Instead of relying solely on visual observations, PDDL-ART leverages the tool-use capabilities of modern VLMs to incorporate geometric and temporal reasoning for evaluating relational predicates that are not directly discernible from images alone. Critically, the model autonomously determines when to invoke these tools and how to interpret their outputs. We evaluate PDDL-ART on challenging manipulation tasks in engine maintenance and household domains, including tasks that require memory, abstract predicate inference, and goal states that are visually indistinguishable from the initial state. PDDL-ART achieves an average success rate of 93.3%, compared to 78.3% for a baseline VLM-based planner.
- Abstract（参考訳）: PDDLによるシンボリックプランニングは、長期のロボット操作のための原則化されたフレームワークを提供するが、正確なPDDLドメインの構築と問題記述は依然として重大なボトルネックであり、通常は相当なドメインの専門知識を必要とする。
本稿では,タスク固有のPDDLドメインと問題記述を自律的に生成するフレームワークであるPDDL-ART(Vision-Language Model)に基づくアプローチを提案する。
PDDL-ARTはドメインテンプレート、アクションシグネチャ、微調整を必要としない。
生成された記述が構文的に有効であるだけでなく、実証されたタスクと意味的に一致していることを保証するため、PDDL-ARTは構文、意味、実行レベルで動作する多段階補正パイプラインを導入している。
実行誘導補正の重要な構成要素は記号述語接地である。
PDDL-ARTは、視覚的な観察のみに頼るのではなく、現代のVLMのツール利用能力を活用して、画像から直接識別できない関係述語を評価する幾何学的および時間的推論を取り入れている。
重要なことは、モデルはこれらのツールをいつ呼び出すか、どのようにアウトプットを解釈するかを自律的に決定する。
PDDL-ARTは、メモリを必要とするタスク、抽象述語推論、初期状態と視覚的に区別できないゴール状態など、エンジン保守や家庭領域での操作課題に対する評価を行う。
PDDL-ARTの平均成功率は93.3%であり、ベースラインのVLMベースのプランナーは78.3%である。
関連論文リスト
- Dynamic Parsing and Updating Natural Language Specification using VLMs for Robust Vision-Language Tracking [61.91472604294714]
トラッキング主成分を抽出する新しい言語依存解析機構を提案する。
我々は、事前学習された視覚言語モデルQwen-VLの強力なクロスモーダル理解能力を利用する。
本手法は,複数の大規模視覚言語追跡ベンチマークにおいて,一貫した,より優れたトラッキング性能を実現する。
論文 参考訳（メタデータ） (2026-06-28T12:12:18Z) - PO-PDDL: Learning Symbolic POMDPs from Visual Demonstrations for Robot Planning Under Uncertainty [42.76829847298981]
実世界のロボットタスクプランニングは、アクション実行と部分観測可能性の両方の下で動作する必要がある。
本稿では,部分観測可能マルコフ決定過程(POMDP)モデルの記号的定式化であるPO-PDDLを紹介する。
提案手法は既存のPDDLおよびPOMDPモデル学習手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-06-14T07:46:28Z) - AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。
AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2026-06-04T13:28:51Z) - Compiling Temporal Numeric Planning into Discrete PDDL+: Extended Version [58.220343994928776]
本報告では,Durative Actionを用いた時間計画からPDDL+への実践的なコンパイルについて述べる。
本研究は, 時間的問題に対する実用的妥当性を実験的に明らかにした。
論文 参考訳（メタデータ） (2026-03-12T17:19:30Z) - Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future [125.92052530850425]
VLA(Vision-Language-Action)フレームワークは、認識と言語に基づく意思決定を統合する。
VLAフレームワークは、より解釈可能で、一般化可能で、人間に準拠した運転ポリシーへの道筋を提供する。
この研究は、人間と互換性のある自動運転システムを構築するための一貫性のある基盤を確立することを目的としている。
論文 参考訳（メタデータ） (2025-12-18T16:57:44Z) - PSALM-V: Automating Symbolic Planning in Interactive Visual Environments with Large Language Models [22.688086293676328]
視覚環境における象徴的行動意味論(プレコンディションとポストコンディション)を誘導できる最初の自律型ニューロシンボリック学習システムPSALM-Vを提案する。
PSALM-Vは、専門家のアクション定義なしで信頼できるシンボリックプランニングを行い、LSMを使って計画と候補シンボリックセマンティクスを生成する。
論文 参考訳（メタデータ） (2025-06-25T02:44:20Z) - Generating Symbolic World Models via Test-time Scaling of Large Language Models [28.258707611580643]
計画ドメイン定義言語(PDDL)は、正確な状態記述と正式な状態記述を可能にする計画抽象化として利用されます。
このアルゴリズムはまず,初期解の品質向上のためにBest-of-Nサンプリング手法を用いる。
本手法はPDDLドメインの生成において, O1-miniよりもかなり優れている。
論文 参考訳（メタデータ） (2025-02-07T07:52:25Z) - Planning with Vision-Language Models and a Use Case in Robot-Assisted Teaching [0.9217021281095907]
本稿では、視覚言語モデル(VLM)を利用して、初期状態の画像や目標状態の記述を自動的にPDDL問題に変換する新しいフレームワークであるImage2PDDLを紹介する。
ブロックワールドやスライディングタイルパズルのような標準的な計画領域を含む,さまざまな領域におけるフレームワークの評価を,複数の難易度を持つデータセットを用いて行う。
本稿では,自閉症スペクトラム障害児のロボット支援教育における可能性について論じる。
論文 参考訳（メタデータ） (2025-01-29T14:04:54Z) - PROC2PDDL: Open-Domain Planning Representations from Texts [56.627183903841164]
Proc2PDDLは、専門家によるPDDL表現と組み合わせたオープンドメインの手続きテキストを含む最初のデータセットである。
以上の結果から, GPT-3.5は0%, GPT-4は35%, Proc2PDDLは極めて困難であることが示唆された。
論文 参考訳（メタデータ） (2024-02-29T19:40:25Z) - Leveraging Pre-trained Large Language Models to Construct and Utilize
World Models for Model-based Task Planning [39.29964085305846]
事前訓練済みの大規模言語モデルをプランナーとして直接使用する方法は、計画の正確性に限界があるため、現在は実用的ではない。
本研究では,ドメイン定義言語(PDDL)の計画において,明示的な世界(ドメイン)モデルを構築し,ドメインに依存しないプランナで計画する新たなパラダイムを提案する。
論文 参考訳（メタデータ） (2023-05-24T08:59:15Z) - PEVL: Position-enhanced Pre-training and Prompt Tuning for
Vision-language Models [127.17675443137064]
PEVLを導入し、明示的なオブジェクト位置モデリングによる視覚言語モデルの事前学習と迅速なチューニングを促進する。
PEVLは、統一言語モデリングフレームワークにおいて、離散化されたオブジェクトの位置と言語を再構成する。
PEVLは,表現理解や句の接頭など,位置感性のあるタスクに対して,最先端のパフォーマンスを実現することができることを示す。
論文 参考訳（メタデータ） (2022-05-23T10:17:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。